Lehet, hogy nem ismeri, de a WiFi adatok sok érdekes célra felhasználhatók. Az olyan alapvető információkon kívül, mint a jelerősség, a kapcsolat sebessége vagy a biztonsági szint, a WiFi adatok sok információt is elárulhatnak a csatlakoztatott objektumról, például azonosítani tudjuk, hány ember áll egy adott hozzáférési pont közelében. . Az Arxiv.org webhelyen közzétett, nemrég megjelent kutatási cikkben: "DeepCount: Crowd Counting with WiFi with Deep Learning" – durván fordítva: A tömegben tartózkodó emberek számának becslése WiFi adatokon keresztül, amelyet az Arxiv.org webhelyen tettek közzé, a tudósoknak sikerült kidolgozniuk egy mesterséges intelligenciát. felismerési modell - DeepCount -, amely segít megbecsülni a szobában tartózkodó emberek számát a vezeték nélküli adatok alapján.
Ez a munka nem sokkal azután készült, hogy a torontói Ryerson Egyetem kutatói bejelentették egy neurális hálózatot, amely segíthet meghatározni, hogy egy okostelefon-tulajdonos gyalogol, kerékpározik-e vagy vezet-e. A város bizonyos területein WiFi-adatok segítségével, és ezzel egy időben Purdue egy másik tanulmányát is. Az egyetemnek sikerült kifejlesztenie egy olyan rendszert is, amely WiFi hozzáférési naplók segítségével elemzi a felhasználók, tartózkodási helyük és tevékenységeik közötti kapcsolatokat.
Ebben a legújabb kutatásban a tudósok a csatornaállapot-információkat (CSI) – konkrétan a fázist és az amplitúdót – kihasználva két mesterséges intelligencia modellből álló rendszert hoztak létre, amely magában foglalja a tevékenységfelismerő modellt és a mély tanulási modellt. A mélytanulási modell feladata, hogy felmérje az emberek száma és a csatornák közötti összefüggést azáltal, hogy leképezi az emberek tevékenységét a CSI-re, míg a tevékenységfelismerő modell feladata az információ rögzítése, amikor valaki belép vagy elhagyja a helyiséget egy „elektronikus eszközön” kapcsoló". Azokban az esetekben, amikor két modell eltérő adatokat rögzít – például ha a tevékenységfelismerési modell több embert rögzít, mint a mélytanulási modell –, a DeepCount ezt a különbséget fogja felhasználni a modell mélytanulási modelljének újraképzésére.
Ezenkívül a kutatók összeállítottak egy 800 CSI-mintából álló adatkészletet 10 önkéntestől, akik különféle feladatokban vesznek részt, beleértve az olyan tevékenységeket, mint az integetés, gépelés, leülés, séta, beszélgetés és étkezés (mindegyikben a minták körülbelül 80%-a). osztályt képzési célokra használták, a többit pedig tesztkészletként használták). A tevékenységfelismerő modell betanításához a tudósoknak először amplitúdóadatokat kell feldolgozniuk a zaj és a nemkívánatos elemek eltávolítása érdekében, majd ki kell gyűjteniük a funkciókra vonatkozó információkat. A mélytanulási modell betanítása hasonló az előfeldolgozási szakaszhoz, de az amplitúdó mellett fázisadatokkal is végrehajtódik.
A DeepCount egy laptopon fut, három vevőantennával, amelyeket úgy módosítottak, hogy csatornaállapot-adatokat jelentsenek, és egy routerhez és két másik adóantennához is csatlakoznak. Mindkettő az 5 GHz-es frekvenciasávon működik, így elég rövid hullámhosszokat hoz létre a jobb felbontás érdekében, és egyúttal minimalizálja a nem kívánt elemek okozta interferencia lehetőségét.
Az elvégzett kísérletekben a csapat arról számolt be, hogy ez a mély tanulási modell akár 86,4%-os pontosságot is elért 5 emberrel. Ezenkívül a tevékenységfelismerő modell által biztosított minták újraképzésével akár 90%-os pontosságot is elért az előrejelzési helyzetekben.
„Megközelítésünk képes volt demonstrálni a mesterséges intelligencia „elfogadható” pontosságát a WiFi adatokon keresztül az emberek számának meghatározásában, a házon belüli összetett környezeti változások kontextusában. Elméletileg, ha elegendő számú esetet figyelembe tudunk venni a beltéri környezetből, és ezeket sablonként tudjuk felhasználni egy robusztus modell felépítéséhez nagyobb léptékben, akkor ezt a technológiát teljesen alkalmazni tudjuk az objektumok és tárgyak számának sokkal nagyobb tartományban történő meghatározásában. – mondták a tudósok.